Kiro đẩy AI coding sang agentic engineering

Kiro đang định vị sản phẩm vượt khỏi kiểu AI coding chỉ nhận prompt rồi viết mã: nền tảng chuyển yêu cầu thành đặc tả, thiết kế kiến trúc và các nhiệm vụ theo thứ tự trước khi code. Theo thông tin từ Kiro, quy trình này kết hợp kiểm thử, agent song song và tích hợp với nhiều công cụ phát triển.

Đặc tả và kiểm thử trước khi viết code

Với spec-driven development, prompt được chuyển thành yêu cầu, thiết kế kiến trúc và danh sách công việc tuần tự. Kiro cho biết hệ thống dùng suy luận tự động để rà soát mâu thuẫn trong yêu cầu. Cách làm này nhắm đến một vấn đề quen thuộc của AI coding: mô hình có thể tạo mã nhanh nhưng vẫn hiểu sai mục tiêu hoặc bỏ sót điều kiện.

Nền tảng cũng hỗ trợ property-based testing để tìm các trường hợp biên mà unit test có thể bỏ qua. Đây là điểm đáng chú ý với nhóm phát triển cần kiểm tra hành vi phần mềm trên nhiều đầu vào, thay vì chỉ xác nhận một số ví dụ cố định. Kiro còn cho phép chạy các subagent song song, tại máy cục bộ hoặc trên cloud; hooks có thể tự động hóa những việc như chạy test và cập nhật tài liệu.

Model tính theo credit, mức tiêu thụ chênh lệch lớn

Kiro áp dụng cơ chế credit theo model, lấy Auto làm mốc 1,0x. Mức hiển thị dao động từ 0,05x với qwen3-coder-next đến 6,0x với claude-fable-5.1. Một số open-weight model được liệt kê gồm DeepSeek 3.2 và MiniMax M2.5 ở 0,25x, GLM-5 ở 0,5x, cùng MiniMax M2.1 ở 0,15x.

Trang sản phẩm cho biết gói credit không có giới hạn sử dụng theo ngày hoặc tuần và hỗ trợ overage trả trước; trang không nêu giá tiền cụ thể. Vì vậy, đội ngũ cần so sánh mức tiêu thụ theo model với quy trình thực tế trước khi ước tính ngân sách.

Mở rộng vào hệ sinh thái phát triển

Kiro liệt kê hỗ trợ các chuẩn như Agent Client Protocol (ACP), AGENTS.md, Skills.md và MCP. IDE nhận extension từ Open VSX và cho phép nhập thiết lập VS Code. Danh sách tích hợp gồm GitHub, GitLab, Figma, Postman, Datadog, Miro, Stripe, Supabase, Firebase, ElevenLabs và Terraform. Nền tảng cũng nêu các ngôn ngữ từ Python, Java, JavaScript, TypeScript đến Rust, Go, SQL và C++.

Theo tôi, điểm cần theo dõi không phải số lượng model hay tích hợp, mà là liệu quy trình đặc tả và kiểm thử có giảm được công việc sửa lỗi trong dự án thật hay không. Người dùng nên đánh giá bằng một nhiệm vụ cụ thể và theo dõi credit tiêu thụ trước khi mở rộng.

Điểm chính

• Đặc tả, thiết kế và chia việc thành bước trước khi tạo mã.
• Credit giữa các model chênh từ 0,05x đến 6,0x.
• Kiểm thử thực tế để đánh giá chất lượng và chi phí trước khi triển khai rộng.

Nguồn tham khảo: Kiro

Tác giả: Cường Nguyễn — Founder AI Ops Solutions | Verified n8n Creator. Kết nối: Facebook · LinkedIn · YouTube · TikTok